Как научить планшет видеть несколько объектов в кадре одновременно: multi-label классификация

Представьте, что вам нужно научить камеру планшета почти мгновенно определять, что происходит в кадре. И это не просто «автомобиль» или «человек»: нужно различать и связывать разные категории объектов: документы, людей, QR, штрихкоды и так далее. Казалось бы, достаточно взять предобученную модель и заточить для запуска на конкретном железе, в нашем случае это планшет KVADRA_T. Привет, Хабр! Меня зовут Анастасия Шпилёва и я работаю в команде разработки программных ИИ-компонент MLKit компании YADRO. В статье расскажу, почему я остановилась на multi-label классификации изображений. А также — как я собирала, размечала и валидировала датасет, от которого во многом зависит эффективность модели.

https://habr.com/ru/companies/yadro/articles/1006054/

#ai #компьютерное_зрение #kvadra_t #kvadraos #gemini #gpt #qwen #optuna #claude #mobilenet

🚀 Our latest benchmark shows hyperparameter tuning with Optuna hits 0.9617 validation accuracy in just 64.59 seconds! Using Bayesian optimization and the Tree‑structured Parzen Estimator, we ran 100 trials to squeeze out every percent. Dive into the details of the experiment and see how you can apply these tricks to your own models. #HyperparameterTuning #Optuna #BayesianOptimization #ModelOptimization

🔗 https://aidailypost.com/news/hyperparameter-tuning-reaches-09617-accuracy-6459-seconds

AI 검열 자동 제거 도구 Heretic: 성능 손실 최소화하며 거부율 97%→3%로

https://aisparkup.com/posts/6592

When I started developing Hypnagonia 3 years ago, I didn't envision it would lead me to a path of training neural networks, and yet here we are...

#neuralnetworks #Optuna #AIHorde

Подбор гиперпараметров RAG-системы с помощью Optuna

Сказ о том, как с помощью Opuna’ы сделать вашу RAG-систему чуточку (а может и не чуточку) эффективнее :)

https://habr.com/ru/articles/811239/

#rag #llm #transformers #data_science #optuna #machinelearning #huggingface

Это мы юзаем: библиотека Optuna в Python для оптимизации гиперпараметров

Привет, Хабр! Гиперпараметры — это параметры, которые не учатся в процессе обучения модели. Они задаются заранее. От выбора гиперпараметров напрямую зависит качество и эффективность модели, а их оптимизация может улучшить результаты предсказаний. Традиционный подход к оптимизации гиперпараметров включает в себя grid search и random search, иногда они могут быть неэффективными и времязатратными, особенно когда пространство гиперпараметров велико. Когда я впервые столкнулся с необходимостью настроить сотни параметров в своей нейросети, задача показалась мне Сизифовым трудом . Каждый параметр мог значительно изменить результат, и пространство поиска казалось бесконечным. И немного просидев на стековерфлой я нашел либу Optuna , которая позоволила оптимизировать этот процесс. Optuna решает проблему оптимизации гиперпараметров, предоставляя легковесный фреймворк для автоматизации поиска оптимальных гиперпараметров. Она использует алгоритмы, такие как TPE , CMA-ES , и даже поддерживает пользовательские алгоритмы. Optuna полностью написана на Python и имеет мало зависимостей. В этой статье рассмотрим её основной функционал.

https://habr.com/ru/companies/otus/articles/801463/

#optuna #python #аналитика_данных